CALVIN research group 的论文(物件检测、交互、分割、弱监督学习、迁移学习)（转）

视觉模式分析研究
最新推荐文章于 2025-07-01 18:27:05 发布
转载 最新推荐文章于 2025-07-01 18:27:05 发布 · 928 阅读 · 0

部署运行你感兴趣的模型镜像

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

医图论文 Arxiv‘25 | 无监督领域自适应用于遮挡鲁棒的人体姿态估计
小白学视觉
06-01 47
遮挡是人体姿态估计算法面临的一个重大挑战，通常会导致不准确且解剖学上不合理的结果。尽管当前的遮挡鲁棒人体姿态估计算法在现有数据集上表现出色，但其成功主要归功于监督训练和额外信息的可用性，例如多视图或时间连续性。此外，这些算法通常在分布变化下表现不佳。虽然现有的领域自适应人体姿态估计算法解决了这一瓶颈，但在目标域图像被遮挡时（现实场景中常见的情况），它们的表现往往不理想。为了解决这些挑战，作者提出了OR-POSE：一种用于遮挡鲁棒人体姿态估计的无监督领域自适应算法。
【点云识别】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels(CVPR 2020)
Orientliu96的博客
04-23 1506
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels 本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。 论文 目前还没有开源代码 1. 问题 点云的弱监督分割 2. 思想 根据弱监督的特点，提出了incomplete supervision branch 和 inexact super...
CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels
zihao_c的博客
11-18 1745
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×FewerLabels （本文是看完了这篇论文做的总结，有不对的地方欢迎指出） 摘要 针对点云的分析最近受到了很多关注，而分割又是其中最重要的任务之一。目前针对此任务的方法是设计深度网络和做大量的数据标记。本文作者认为做标记是一直有效的方式。 但是标记数据太过费时，所以本文提出了弱监督，只需要标记10%的数据，便可以近似达到全监督的效果。 方法是： 学习梯度近似（.
【点云语义分割】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels（CVPR 2020）
sinat_26743719的博客
06-30 1196
论文链接 代码链接 Motivation 弱监督工作都是利用少的标记样本去做更好的预测结果，本文的弱监督包括不完全监督，即只有少量的点带有准确的label；不准确监督，即点云的每个sample都带有一个不准确的label，文章将这两种弱监督的方式互为补充。之后用Siamese Self-Supervision的技术去处理没有label的点云，此外，文章的写作和分析都很到位。 概念陈述 把点云标记为BBB个独立的shapes或者房间块，记做{Xb}b=1⋯B\left\{\mathbf{X}_{b}\ri.
CVPR 2020——Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels
Dujing2019的博客
05-09 1682
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer LabelsAbstract（一）Introduction（二） Related Work（三）Methodology3.1 Point Cloud Encoder Network3.2. Incomplete Supervision Branch3.3. Inexact Supervision Branch3.4. Siamese Self-Supervision3
机器学习（4）——弱监督学习
热门推荐
Fo*(Bi)的博客
11-12 1万+
什么是弱监督学习？ 监督学习技术通过学习大量标记的训练样本来构建预测模型，在很多领域获得了巨大成功。但由于数据标注的本身往往需要很高成本，在很多任务上都很难获得全部真值标签这样比较强的监督信息。而无监督学习由于缺乏制定的标签，在实际应用中的性能往往存在很大局限。针对这一问题，相关研究者提出了弱监督学习的概念，弱监督学习不仅可以降低人工标记的工作量，同时也可以引入人类的监督信息，在很大程度上提高无监督学习的性能。 弱监督学习是相对于监督学习而言的。同监督学习不同，弱监督学习中的数据标签允许是不完全的，即训练集
精选资源
配时matlab代码-matconvnet-calvin:用于对象检测和语义分割的多篇最新论文的代码
05-21
配时matlab代码MatConvNet-卡尔文v1.0 MatConvNet-Calvin是MatConvNet的包装，在对象检测和...多类Multipe实例学习[3]：扩展FCN进行弱监督的语义分段。 我们还实现了“要点” [4]的改进的损失功能，该功能考虑了标签
独家 | 2019 ICCV 收录论文：基于弱监督学习的病理影像分析框架
数据派THU
10-22 2238
论文传送门▼扫描下方二维码，或点击文末“阅读原文”基于弱监督学习的病理影像分析框架一、研究背景恶性肿瘤是全球第二大死因，每年导致近千万人死亡。病理报告是肿瘤临床诊断和治疗...
MatConvNet-Calvin: 深度学习中的对象检测与语义分割
多类Multipe实例学习是FCN的一种扩展，它使用弱监督学习方法进行语义分割。多类Multipe实例学习的目的是通过学习多个实例来改善分割的精度。 此外，MatConvNet-Calvin还包括了对“要点”（P要点？）的改进损失函数...
Dita: Scaling Diffusion Transformerfor Generalist Vision-Language-Action Policy论文学习
LI_XIAO_XING的博客
07-01 603
ai总结：这篇论文介绍了一个名为（Diffusion Transformer）的新型通用机器人学习框架，旨在通过大规模跨体现（cross-embodiment）数据集的预训练，实现机器人在复杂多任务、长时序（long-horizon）场景中的快速适应能力。
【开源方案共享】无序点云快速的线段分割算法
点云PCL
07-05 1322
点云PCL免费知识星球，点云论文速读。 标题：Fast 3D Line Segment Detection From Unorganized Point Cloud 作者：Xiaohu Lu, Yahui Liu, Kai Li 编译：particle 欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。 本文提出了一种基于大规模无序点云的三维线段检测算法。与传统的方法先提取三维边缘点后在拟合三维线段的算法相比，本文提出了一种基于点云分割和二维线段检测的基础上，能够快速的实现三维线段检测算法。
3D点云分割论文总结
weixin_43211438的博客
04-17 5778
Fast Range Image-Based Segmentation of Sparse 3D Laser Scans for Online Operation - 挑战 由于lidar点云的稀疏性，尤其在垂直方向上，即便相邻点云是来自于同一物体，它们之间也会存在着一个欧氏距离。并且随着Object与Lidar距离的增大，这个距离会越来越大，给目标识别带来的挑战也越大。 - 常见点云分割方法 主...
3D点云深度学习综述
dxzysk的专栏
03-06 6188
3D点云深度学习综述Deep Learning for 3D Point Clouds: A Survey论文翻译 作者：Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun 译者：dxzysk 译者注：本文仅是对原论文的翻译，作为学习笔记仅供记录、参考学习使用，建议阅读作者的英文原文。受水平限制，难免有错误之处，尽情谅解。 原论文：https://arxiv.org/abs/1912.1203...
Objectness measure V2.2
凌风探梅的专栏
05-03 3348
from： http://groups.inf.ed.ac.uk/calvin/objectness/ Objectness measure V2.2 Bogdan Alexe, Thomas Deselaers, Vittorio Ferrari Overview     What is objectness? The objectne
自我学习,监督学习,半监督学习和迁移学习的区别
终结大笨狗的博客
04-02 1万+
区别自我学习和半监督学习一样，当前手头上只有少量训练样本，但是周围手头上还有大量无标注样本。举一个经典的例子，分离大象和犀牛。 对于监督学习来说，我们手头有大量大象的样本和犀牛的样本，接下来训练分类器，进行分类，大家都知道的。 对于迁移学习，则是指我们手头上有大量羊的样本和马的样本（已标记），少量的大象和犀牛的样本，接下来就要从羊和马的样本中选出有效的样本分别加入到大象和犀牛的标记样本中，然后再
【四轴飞行器的位移控制】控制四轴飞行器的姿态和位置设计内环和外环PID控制回路（Simulink仿真实现）
最新发布
11-30
【四轴飞行器的位移控制】控制四轴飞行器的姿态和位置设计内环和外环PID控制回路（Simulink仿真实现）内容概要：本文档主要围绕四轴飞行器的位移控制展开，重点介绍如何通过设计内环和外环PID控制回路来实现对四轴飞行器姿态与位置的精确控制。文中利用Simulink进行系统建模仿真，详细阐述内外环PID控制器的设计原理与实现方法，其中内环负责稳定飞行器的姿态（如俯仰、横滚、偏航），外环则用于控制飞行器的空间位置和轨迹跟踪，从而实现稳定、精准的飞行控制。该仿真方法有助于深入理解飞行器动力学特性及PID参数调节策略。; 适合人群：具备自动控制理论基础、熟悉Simulink仿真工具，且从事无人机控制、机器人系统开发或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①学习四轴飞行器的动力学建模与控制系统设计方法；②掌握串级PID控制结构在实际系统中的应用；③通过Simulink仿真验证控制算法的有效性，为后续实物调试提供理论支持和技术储备。; 阅读建议：建议读者结合Simulink模型同步操作，深入理解内外环控制逻辑，重点关注PID参数整定过程与系统响应的关系，并可通过修改控制参数或引入干扰项来增强对系统鲁棒性和稳定性的认识。
一个专注于文本挖掘领域的中文和英文数据集集合项目_该项目提供了丰富多样的文本数据集包括新浪微博情感分析数据集文本分类数据集命名实体识别数据集和百科推荐数据集等涵盖了喜悦愤.zip
11-30
一个专注于文本挖掘领域的中文和英文数据集集合项目_该项目提供了丰富多样的文本数据集包括新浪微博情感分析数据集文本分类数据集命名实体识别数据集和百科推荐数据集等涵盖了喜悦愤.zip
基于A星算法的高效最短路径规划与可视化仿真系统_使用Python编程语言实现A星搜索算法结合启发式函数优化路径规划过程支持二维和三维空间中的对角线移动模式八方向或二十六方向以及直线.zip
11-30
基于A星算法的高效最短路径规划与可视化仿真系统_使用Python编程语言实现A星搜索算法结合启发式函数优化路径规划过程支持二维和三维空间中的对角线移动模式八方向或二十六方向以及直线.zip
华中科技大学可靠数据传输协议设计项目_基于TCPIP协议栈的可靠数据传输服务实现采用滑动窗口机制序列号确认超时重传和流量控制算法确保数据在不可靠网络环境中无丢失无重复.zip
11-30
华中科技大学可靠数据传输协议设计项目_基于TCPIP协议栈的可靠数据传输服务实现采用滑动窗口机制序列号确认超时重传和流量控制算法确保数据在不可靠网络环境中无丢失无重复.zip
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值